Для проведения эксперимента модификации карт Кохонена VQTAM и SOMxVQTAM имели размерность 4×5 и проводилось обучение на одной выборке, которая состоит из 1000 точек, выбранных с одинаковым интервалом на промежутке [0, 2] в  функции типа  .

Выборка была разделена на тестовую и обучающую в соотношении 6:4. Во время экспериментов были рассчитаны максимальная относ. ошибка MAXPE и среднеквадратическая относ. ошибка RMSPE. Расчет был проведен по  следующим формулам:

На рисунке 1 изображен результат работы сети VQTAM. Ошибка сети на обучающей выборке: MAXPE = 35.14%, RMSPE = 4.78%, на тестовой: MAXPE = 34.32%, RMSPE = 4.3%.

Рис. 1. Результаты эксперимента сети типа VQTAM. Черным цветом на графике обозначены тестовая и обучающая выборки, разделенные пунктирной линией, серым  цветом обозначены результаты работы сети.

Результаты работы сети типа SOMxVQTAM показаны на рисунке 2. В качестве модуля использовались VQTAM размерности 5×5. Ошибка сети на обучающей выборке: MAXPE = 24.24%, RMSPE = 6.99%, на тестовой: MAXPE = 24.38%, RMSPE = 6.77%.

Рис. 2. Результаты  эксперимента сети типа SOMхVQTAM.

Заключение

В предложенной статье были рассмотрены особенности работы нейросетей на основе нейросетевых структур карт Кохонена, которые могут быть достаточно эффективно применяться для идентификации динамических объектов разных уровней сложности. Преимуществом подобных подходов к идентификации, можно отметить относительную несложность процесса обучения рассматриваемых типов сетей, а также возможность получения приемлемой точности прогноза после кратковременного процесса обучения.

 Проведенные  эксперименты обосновывают необходимость исследования возможностей более сложных модульных нейронных сетей для идентификации объектов. Также, при дальнейшем исследовании подобных типов сетей стоит отметить способность модификационных карт Кохонена к повторным обучениям на новых выборках.

1. Алексеев А.А., Кораблев Ю.А. , Шестопалов М.Ю. Идентификация и диагностика систем . – М.: Издательский центр «Академия», 2009. – 352 с.
2. Льюнг Л. Идентификация систем. Теория для пользователя.- М.: Наука, 1991. – 432 с.
3. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт, Альпина Паблишер, 2001, 317 стр. ISBN 5-89684-013-6
4. Pal N.R., Bezdek J.C. Extentions of self-organizing feature maps for improved visual displays / Proc. Int. Joint Conf. on Neural Networks (IJCNN’1993), Nagoya, Japan, 1993. Vol.3. – pp.2441-2447.
5. Аверкин А.Н., Повидало И.С,   XIII нац. конф. по искусственному интеллекту с международным участием, г. Белгород : Изд-во БГТУ,  2012

Все статьи автора «MF»